vxe-table踩坑记录
2026/1/16 17:34:35
文章详解斯坦福和伯克利联合研发的TTT-E2E技术，这是一种解决大模型长上下文记忆问题的新方法。与传统固定模型不同，TTT-E2E在推理过程中更新参数存储记忆。文章对比了其与谷歌Titans的差异、更新机制和实际效果，并探讨了打造个人专属大模型的潜力。作者指出该技术在效率、成本和知识平衡方面存在挑战，但与Titans和RAG结合可能有更好前景。
AI大模型长上下文的真正解决方案来了？斯坦福 + 伯克利联合出手，用 TTT-E2E 技术打出王炸！这篇文献不仅和谷歌 Titans 正面刚，还藏着个人专属 LLM 的可能。
刚好之前有读者问是否可以讲下《End-to-End Test-Time Training for Long Context》，安排！
所以今天一文讲透：TTT-E2E 是什么？和 Titans 有啥区别？实际效果到底行不行？不管你是大模型爱好者、工程师还是算法负责人，全程无公式，都可放心冲！更重要的是，我会告诉你它的真实落地价值，以及我对它的保留意见。
先跟大家说下阅读建议，还是我一贯的风格：
- 爱好者：跳过选读部分，看完核心内容就够在跟别人聊天时聊明白；
- 工程师：通读全文，你能比身边大部分同行更懂这个方向；
- 算法 / AI 工程师：建议在通读后，再认真啃一遍原文。
这篇文献是 2025 年底发布的，延续了 2025 年很火的 TTT 思路，专门解决大模型长上下文的记忆问题。全文核心分 6 个部分：
2025 年大火的 TTT 到底是什么？
TTT-E2E 和谷歌 Titans 有啥区别？
TTT-E2E 的更新频率（选读）
TTT-E2E 的更新参数（选读）
TTT-E2E 实际效果怎么样？
使用 TTT-E2E 打造个人专属大模型？
2025 年大火的 TTT 到底是什么？
先解释下基础概念：TTT 全称是 Test-Time Training，我更愿意叫它 “推理时学习”。
先搞懂传统大模型是怎么工作的：大模型厂商花大量时间和钱训练出一个大语言模型（LLM）后，模型就固定了。我们平时用的，都是这个 “固定” 的模型。所以大家常听到 “某模型知识库更新到某某时间”—— 对更新时间之后的新知识，传统模型就没辙了。
但人类学习的关键是 “随时随地持续学”，那能不能让大模型也做到这一点？这就是 TTT 的核心：
让模型在 “推理过程中” 也能持续学习，把当前对话的重要信息，存到一部分可调整的 “会话级参数” 里。
那它为啥适合解决长上下文问题？看过我之前文章的朋友知道，传统 Transformer 架构的大模型，上下文越长，推理效率越低、成本越高。如果能在对话过程中，让模型像训练时那样，把上下文信息持续 “学进去”，并存在模型里，不就能解决长上下文记忆难题了吗？
TTT-E2E 和谷歌 Titans 有啥区别？
我之前聊过 Titans，其实谷歌的 Titans 本质上也是 TTT 思路，两者的核心差异主要在两点（没看过 Titans 相关内容的，回头可以补补）：
记忆存在哪儿？
Titans 相当于在模型 “大脑” 里新开一块区域，专门存当前长对话的信息，推理时再把新区域和原有区域的信息融合起来；
而 TTT-E2E 明确说不改变模型架构 —— 也就是说 “大脑” 结构不变，直接把记忆存到原有 “大脑” 结构里，也就是模型已有的参数中。
学什么内容？
Titans 的设计很巧妙：只学 “让它感到意外的信息”（Surprise），不是所有信息都记；
TTT-E2E 就很直接：核心是预测下一个词，相当于所有对话信息都要学。
一句话总结：
两者都能在推理时存记忆，但 Titans 更偏向 “记忆系统设计”，TTT-E2E 则把记忆当成 “模型优化问题” 来解决。
TTT-E2E 的更新频率（选读）
由于 TTT-E2E 要在推理时更新模型参数，可想而知，很明显会影响推理效率；而且由于是训练单个 token ，干扰性强，还会让模型更新不稳定。
所以 TTT-E2E 用了 “批量更新”（也叫分段更新）的方式：
- 预填充（prefill）阶段：读满一段内容（比如 1000 个 token），就更新一次参数；
- 生成（decode）阶段：生成满一段内容（比如 1000 个 token），再更新一次参数。
简单说，你输入长上下文时，模型会先把输入内容存到参数里；之后对话越久、上下文越长，模型会适时再更新记忆参数。
它的参数变化是 “台阶式” 的：生成内容越长→更新次数越多→能存的会话记忆也越多。
TTT-E2E 的更新参数（选读）
大家都知道，大模型参数动辄几千亿甚至万亿，如果每次推理都全量更新，一方面成本高的不行，另一方面单次输入就改整个模型参数，也很不靠谱。所以 TTT-E2E 做了三个约束：
只更新 MLP 层，不调整注意力层（Attention）、归一化层（Norm）等其他结构；
只更新模型架构的最后一部分（比如最后 1/4 的层），文献标识更新太多层收益不明显，更新一部分就足够存记忆了；
可以把 MLP 层拆成两块：一块固定（存预训练的常识知识），一块可写（存会话记忆，用的时候再写），这样推理时写入新记忆，不会覆盖掉模型原有的 “常识底座”。
核心原则很明确：既要把新信息压缩存到模型里，又要避免冲淡旧知识，同时还要保证推理效率、控制成本。
TTT-E2E 实际效果怎么样？
文献里说，在他们的实验设置下，TTT-E2E 在超长上下文任务上，效果曲线能更接近全注意力（full attention）模型，同时速度有明显优势。
但我对这个结论持保留态度，主要有三个顾虑：
无论工程上怎么优化，推理时更新参数一定会有效率损耗，而且每次推理都要付出这个成本，对大模型厂商来说，是持续的负担；
传统 Transformer 模型只需存 KV Cache 就行，而 TTT-E2E 要存每个会话对应的模型参数变化，这个存储成本非常高；
和模型微调（Fine-tuning）一样，很难平衡新老知识的记忆比例，搞不好会越调模型效果越差。
使用 TTT-E2E 打造个人专属大模型？
TTT-E2E 给我的启发是：如果把 “会话级” 的记忆拓展到 “用户级”，是不是就能通过 TTT，为每个用户打造一个带专属记忆的大模型？
过去，我们要么用知识库存用户信息，再靠 RAG 技术检索；要么用滑动窗口更新用户记忆。而有了 TTT-E2E，理论上可以为每个用户存一份专属的模型参数。
另外，我觉得 TTT-E2E 接下来有两个值得探索的方向：
和 Titans 结合：只存 “值得记的信息”，减少对模型基础常识的干扰；
和 RAG 结合：让 RAG 负责 “找对资料”，TTT 负责 “把资料压缩成会话级的技能”。
希望接下来一年，能有大模型厂商真正对这条技术路线做一次全面的效率和成本评估，落地试试效果！
如果基座大模型支持后，相信对于所有的应用层开发会是一个飞跃的提升。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。